Bayes kommt Markowitz zu Hilfe

Größe: px
Ab Seite anzeigen:

Download "Bayes kommt Markowitz zu Hilfe"

Transkript

1 Moderne Portfoliotheorie Bayes kommt Markowitz zu Hilfe Die Moderne Portfoliotheorie nach Harry Markowitz ist mathematisch kristallklar. Bei der Umsetzung gibt es aber Fallstricke. Das Ersetzen der Parameter von Rendite, Volatilität und Korrelation durch Schätzgrößen ist problematisch. Die Theorie des Mathematikers Thomas Bayes hilft weiter, erklären Rémy Croisille und Christophe Olivier vom Vermögensverwalter Finaltis. Die sichtbarste Konsequenz der Probleme beim praktischen Umsetzen der Modernen Portfoliotheorie nach Harry Markowitz ist die extreme Konzentration der Wertpapierauswahl, die sich daraus ergibt. Tatsächlich wählt man eine kleine Anzahl von Aktien aus, für die die jüngsten Beobachtungen der Parameter besser sind als für den Rest. Das garantiert allerdings in keinster Weise, dass deren wirkliche Parameter anders oder gar besser als die der aussortierten Aktien sind. Wenn der Portfoliomanager dem beschriebenen Konzentrationsproblem gegenüber steht, kann er es mit einer künstlichen Erhöhung der Diversifikation lösen. In diesem Fall werden zusätzliche Bedingungen oder Faktoren in den Auswahlprozess integriert, wie zum Beispiel: Eine Obergrenze pro Aktie, Sektor oder Land; Eine willkürliche Regel, die das Gewicht großer Positionen zugunsten kleinerer verringert. Diese Lösung behandelt jedoch eher Symptome als Ursachen. Eine alternative Lösung wäre, zusätzliche Hypothesen aufzustellen wie: Alle Korrelationen sind gleich null und alle Renditen sind gleich; dies führt zum Risk-Parity-Ansatz; Renditen sind proportional zu ihren Volatilitäten; dies führt zum Maximum-Diversification-Ansatz. Sind solche Hypothesen kohärent mit unseren Beobachtungen? Nein, zumindest nicht im Aktienbereich. In dieser Studie schlagen wir daher einen dritten Lösungsweg vor, der auf dem Bayes-Theorem basiert. Von Reverend Thomas Bayes (lebte 1701 bis 1761) sind nur zwei Publikationen bekannt. Seine Arbeit über bedingte Wahrscheinlichkeitsrechnung wurde nach seinem Tod von einem seiner Freunde publiziert und später vom Mathematiker Pierre-Simon Laplace bestätigt.

2 In seiner einfachsten Form besagt das Bayes-Theorem: P(A B)=P(A) *P(B A)/P(B) Hierbei gilt für die beiden Ereignisse A und B: P(A) ist die Wahrscheinlichkeit des Ereignisses A P(A B) ist die Wahrscheinlichkeit des Ereignisses A unter der Bedingung, dass B eingetreten ist Bayes Erfindung einer Formel zur einfachen Berechnung bedingter Wahrscheinlichkeit ermöglicht die Wahrscheinlichkeitsschätzung basierend auf neuen Informationen zu revidieren. Als Beispiel soll eine praktische Anwendung dienen: Monty Hall, der Moderator der amerikanischen TV-Spieleshow Let s Make a Deal mit einem Auto als Hauptgewinn (dieser Fall ist auch bekannt als das Ziegenproblem ), bat seine Gäste eins von drei geschlossenen Toren auszuwählen, wobei sich hinter zwei Toren eine Ziege als Trostpreis befand und hinter einem Tor das Auto. Die Kandidaten wählten zunächst ein Tor aus, ohne es zu öffnen. Der Moderator, der wusste, wo sich das Auto befand, öffnete dann ein anderes Tor, hinter dem sich immer eine Ziege befand. Dann fragte er seinen Gast, ob er bei seiner ersten Wahl bleiben wolle oder ob er es vorzöge, das ausgewählte Tor zu wechseln. Sollte der Gast die Wahl des Tores beibehalten oder ändern, um seine Gewinnchance zu optimieren? Generell gibt es zwei Gruppen von Antworten: Es bleiben zwei (geschlossene) Tore übrig, jede mit der gleichen Gewinnwahrscheinlichkeit. Es ist also sinnlos zu wechseln. Zu Beginn des Spieles betrug die Gewinnwahrscheinlichkeit ein Drittel. Eine Beibehaltung der Wahl bedeutet, dass die Gewinnwahrscheinlichkeit immer noch ein Drittel beträgt. Wenn man das Tor wechselt, wird man eine Gewinnwahrscheinlichkeit von zwei Drittel haben. Es ist also besser, die Wahl des Tores zu ändern. Es handelt sich hier um ein klassisches Problem der bedingten Wahrscheinlichkeit, das einfach mit dem Bayes-Ansatz zu lösen ist. Lassen Sie uns für dieses Beispiel annehmen, dass der Kandidat Tor 1 ausgewählt hat und dass der Moderator dann Tor 3 geöffnet hat. Der Moderator kann Tor 1 nicht

3 öffnen, da es sich um das Tor handelt, welches der Kandidat ausgewählt hat. Indem der Moderator ein zweites Tor öffnet, erhält der Gast (und wir) neue Informationen. Wenn wir diese Informationen korrekt berücksichtigen und die bedingte Wahrscheinlichkeitsrechnung verwenden, können wir, indem wir von Tor 1 zu Tor 2 wechseln, unsere Gewinnchancen von ein Drittel auf zwei Drittel deutlich erhöhen EXKURS: In der Sprache der Mathematiker P(C2) die Wahrscheinlichkeit, dass sich das Auto hinter Tor 2 befindet; P(D3) die Wahrscheinlichkeit, dass der Moderator Tor 3 öffnet; P(C2 D3) die Wahrscheinlichkeit, dass sich das Auto hinter Tor 2 befindet, unter der Bedingung, dass der Moderator Tor 3 öffnet; P(D3 C2) die Wahrscheinlichkeit, dass der Moderator Tor 3 öffnet, unter der Bedingung, dass sich das Auto hinter Tor 2 befindet. Der Bayesianer stellt fest: P (C2 D3)= P(C2)*P(D3 C2)/P(D3)= (1/3)*(1/1) /(1/2) = 2/3 P(D3 C2)=1/1: der Moderator kann Tor 1 nicht öffnen, weil der Kandidat es ausgewählt hat und er kann Tor 2 auch nicht öffnen, weil er weiß, dass sich das Auto dahinter befindet: er muss Tor 3 öffnen. P(D3)=1/2: der Moderator kann Tor 1 nicht öffnen, weil der Kandidat es ausgewählt hat; er hat dann zwei Wahlmöglichkeiten: Tor 2 oder 3. Der Satz von Bayes (oder das Bayes -Theorem) wird weithin verwendet bei der sogenannten Bayesschen Inferenz, wo geschätzte Wahrscheinlichkeiten oder Parameter auf der Basis von Beobachtungen und ihrer Wahrscheinlichkeitsgesetze revidiert werden. In unserem Beispiel der Portfolioallokation haben wir zunächst eine methodische Analyse aller vierteljährigen Volatilitäten und Korrelationen von Aktien über einen Zeitraum von 20 Jahren durchgeführt. Im Fall der Volatilität haben wir für jedes Quartal ein Histogramm von 4 bis 5 Buckeln/Buckets beziehungsweise Volatilitätswerte beobachtet, an denen sich eine große Anzahl von Aktien gruppiert. Dann haben wir die Gesamtheit der Aktien mit nur fünf möglichen Volatilitätswerten modelliert. Das nachfolgende Histogramm illustriert die realisierten Volatilitäten aller Aktien des Euro Stoxx im Dezember Obwohl das Histogramm die theoretische Linie (kalibriert) nicht perfekt

4 abzubilden scheint, bestätigt eine Überprüfung der kumulierten Wahrscheinlichkeit die Relevanz des Modells. >>Vergrößern Die Interpretation von Informationen der Gesamtheit, das heißt die Beobachtung von realisierten Volatilitäten, ermöglicht uns Volatilitätstöpfe oder sogenannte Buckets (siehe unten) mit ihnen assoziierten Wahrscheinlichkeiten zu definieren. >>Vergrößern

5 Wir befinden uns im klassischen Rahmen der Baysschen Interferenz, wo wir, basierend auf unseren Beobachtungen, die A-priori-Wahrscheinlichkeit von Aktien, dem jeweiligen Topf oder Bucket anzugehören, revidieren können. Im Fall der Aktie Veolia, die eine realisierte Volatilität von 23,9 Prozent aufweist, welches nah am Topf (Bucket) 1 ist, leiten wir folgende Wahrscheinlichkeiten ab: >>Vergrößern Unsere Schätzung verwendet nicht nur die individuellen Informationen jeder Aktie sondern auch kollektive Informationen aus der Beobachtung der Gesamtheit der Aktien. Zusätzlich wird durch einen probabilistischen Ansatz die Unsicherheit berücksichtigt, die mit Schätzfunktionen einhergeht. Damit ist dieser Allokations-Ansatz in der Lage, ohne Zusatz von künstlichen Bedingungen optimale Portfolien zu generieren, die weit bessere Ertrags-Risiko-Profile als die der Benchmark-Indizes aufweisen. Danke Reverend Bayes. Über die Autoren: Christophe Olivier ist Investment-Chef von Finaltis in Paris und hat den akademischen Grad eines Master of Science in Ingenieurswesen von der Ecole Centrale de Paris. Er ist zugleich Absolvent magna cum laude (1991) des Institut d Etudes politiques de Paris Business School. Rémy Croisille ist Research-Chef von Finaltis und hat über 10 Jahre lang

6 Powered by TCPDF ( Mathematik an verschiedenen Hochschulen gelehrt. Er ist Diplom-Mathematiker und hat an der Ecole Normale Supérieure d Ulm in Paris studiert. Dieser Artikel erschien am unter folgendem Link:

Paradoxien bei bedingten Wahrscheinlichkeiten - Das Ziegenproblem

Paradoxien bei bedingten Wahrscheinlichkeiten - Das Ziegenproblem Paradoxien bei bedingten Wahrscheinlichkeiten - Das Ziegenproblem Ein Referat von Maren Hornischer & Anna Spitz Wuppertal, den 28. Mai 2014 Inhalt 1 Das Ziegenproblem oder auch das "3-Türen-Problem"...

Mehr

Anhang 9: 3. Szenario

Anhang 9: 3. Szenario Anhang 9: 3. Szenario Monty Hall s Problem (Ziegenproblem) 268 3. Szenario Monty Hall s Problem oder das Ziegenproblem 269 Ziegenproblem nach Wikipedia, der freien Enzyklopädie Das Ziegenproblem (auch

Mehr

Das Ziegenproblem. Nils Schwinning und Christian Schöler Juni 2010

Das Ziegenproblem. Nils Schwinning und Christian Schöler  Juni 2010 Das Ziegenproblem Nils Schwinning und Christian Schöler http://www.esaga.uni-due.de/ Juni 2010 Die Formulierung Obwohl das sogenannte Ziegenproblem in der Mathematik allgegenwärtig erscheint, wurde es

Mehr

Cusanus-Gymnasium Wittlich Statistik Das Ziegenproblem DIE ZEIT Nr.48. W.Zimmer. Tür 1 Tür 2 Tür 3

Cusanus-Gymnasium Wittlich Statistik Das Ziegenproblem DIE ZEIT Nr.48. W.Zimmer. Tür 1 Tür 2 Tür 3 Das Ziegenproblem DIE ZEIT 18.11.2004 Nr.48 Tür 1 Tür 2 Tür 3 Cusanus-Gymnasium Wittlich Statistik Das Ziegenproblem DIE ZEIT 18.11.2004 Nr.48 Du bist Kandidat einer Fernsehshow. Als Sieger darfst du eine

Mehr

Der Werkzeugkasten von

Der Werkzeugkasten von Markowitz powered by Bayes Die französische Fondsboutique Finaltis optimiert ihre Aktienportfolios mithilfe des Bayes schen Theorems der bedingten Wahrscheinlichkeiten die Ergebnisse sind bisher äußerst

Mehr

Kapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente

Kapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente Mehrstufige Zufallsexperimente Inhalt 6.1 6.1 Mehrstufige Experimente 6.2 6.2 Bedingte Wahrscheinlichkeiten Seite 2 6.1 Mehrstufige Experimente Grundvorstellung: Viele Viele Experimente werden der der

Mehr

Satz von der totalen Wahrscheinlichkeit

Satz von der totalen Wahrscheinlichkeit htw saar 1 Satz von der totalen Wahrscheinlichkeit Sei (Ω, P) ein Wahrscheinlichkeitsraum, und B 1,, B n seien paarweise disjunkte Ereignisse mit B i = Ω. Für jedes Ereignis A gilt dann: P(A) = P(A B 1

Mehr

Sobald bei einem Zufallsexperiment zusätzliche Bedingungen zutreffen ändern sich i.a. die Wahrscheinlichkeiten.

Sobald bei einem Zufallsexperiment zusätzliche Bedingungen zutreffen ändern sich i.a. die Wahrscheinlichkeiten. 26 6. Bedingte Wahrscheinlichkeit Sobald bei einem Zufallsexperiment zusätzliche Bedingungen zutreffen ändern sich i.a. die Wahrscheinlichkeiten. Alarmanlage Tritt bei einer Sicherungsanlage ein Alarm

Mehr

Kapitel N. Wahrscheinlichkeitsrechnung

Kapitel N. Wahrscheinlichkeitsrechnung Kapitel N Wahrscheinlichkeitsrechnung Inhalt dieses Kapitels N000 1 Diskrete Wahrscheinlichkeitsräume 2 Bedingte Wahrscheinlichkeit und Unabhängigkeit 1 Produktexperimente 2 Kombinatorik und Urnenmodelle

Mehr

Wahrscheinlichkeitsrechnung und Stochastik

Wahrscheinlichkeitsrechnung und Stochastik Wahrscheinlichkeitsrechnung und Stochastik 2-stündige Vorlesung für den Bachelor-Studiengang Angewandte Informatik Vorläufige Version Gerhard Freiling und Hans-Bernd Knoop Inhalt Inhalt..........................................................................

Mehr

Lösungsvorschläge zur Gruppenaufgabe "Das eigene Auto"

Lösungsvorschläge zur Gruppenaufgabe Das eigene Auto Lösungsvorschläge zur Gruppenaufgabe "Das eigene Auto" Aufgabe a) Kandidatenwahl Max überlegt sich, wenn er mit seiner Mutter im Publikum sitzt, einer von beiden mit Wahrscheinlichkeit von 0,87% als Kandidat

Mehr

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Alles Zufall? - Den Wahrscheinlichkeitsbegriff über Experimente einführen

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Alles Zufall? - Den Wahrscheinlichkeitsbegriff über Experimente einführen Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Alles Zufall? - Den Wahrscheinlichkeitsbegriff über Experimente einführen Das komplette Material finden Sie hier: School-Scout.de

Mehr

Mathematik W27. Mag. Rainer Sickinger LMM. v 1 Mag. Rainer Sickinger Mathematik W27 1 / 51

Mathematik W27. Mag. Rainer Sickinger LMM. v 1 Mag. Rainer Sickinger Mathematik W27 1 / 51 Mathematik W27 Mag. Rainer Sickinger LMM v 1 Mag. Rainer Sickinger Mathematik W27 1 / 51 Einführung Wir befinden uns in einer kleinen Stadt. In dieser Stadt gibt es zwei Taxiunternehmen. Die Taxis des

Mehr

Simulation des Ziegenproblems

Simulation des Ziegenproblems Simulation des Ziegenproblems Die Einführung des Wahrscheinlichkeitsbegriffs ist in den Bildungsstandards (L5: Daten und Zufall) vorgeschrieben. Als motivierendes Einstiegsproblem für die Klassenstufe

Mehr

Freiberger Familienkatalog Freiberger Familienbündnis www.freiberger-familienbuendnis.de

Freiberger Familienkatalog Freiberger Familienbündnis www.freiberger-familienbuendnis.de Seite 1 / 22 Seite 2 / 22 Seite 3 / 22 Seite 4 / 22 Seite 5 / 22 Seite 6 / 22 Seite 7 / 22 Seite 8 / 22 Seite 9 / 22 Seite 10 / 22 Seite 11 / 22 Seite 12 / 22 Seite 13 / 22 Seite 14 / 22 Seite 15 / 22

Mehr

Ü b u n g s b l a t t 4

Ü b u n g s b l a t t 4 Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 30. 4. 2007 Ü b u n g s b l a t t 4 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung 2. Vorlesung Dr. Jochen Köhler 25.02.2011 1 Inhalt der heutigen Vorlesung Risiko und Motivation für Risikobeurteilungen Übersicht über die Wahrscheinlichkeitstheorie

Mehr

Statistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg

Statistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg Statistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher Physikalisches Institut Westbau 2 OG Raum 008 Telefonnummer 07621 203 7612 E-Mail:

Mehr

Sprechstunde zur Klausurvorbereitung

Sprechstunde zur Klausurvorbereitung htw saar 1 Sprechstunde zur Klausurvorbereitung Mittwoch, 15.02., 10 12 + 13.30 16.30 Uhr, Raum 2413 Bei Interesse in Liste eintragen: Max. 20 Minuten Einzeln oder Kleingruppen (z. B. bei gemeinsamer Klausurvorbereitung)

Mehr

! Die Noten von 10 Bachlor- 30 Master- und 10 PhD-Studenten (Doktoranden) eines Informatikkurses waren wie folgt.

! Die Noten von 10 Bachlor- 30 Master- und 10 PhD-Studenten (Doktoranden) eines Informatikkurses waren wie folgt. In einem Informatik-Kurs bestehend aus 100 Studenten, haben 54 Studenten Mathematik, 69 Chemie und 35 beide Fächer belegt. Wenn wir zufällig einen Studenten auswählen, wie groß ist die Wahrscheinlichkeit

Mehr

Numerische Methoden und Algorithmen in der Physik

Numerische Methoden und Algorithmen in der Physik Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 08.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 32 Einführung Wahrscheinlichkeit Verteilungen

Mehr

8. Wahrscheinlichkeitsrechnung

8. Wahrscheinlichkeitsrechnung Didaktik der Geometrie und Stochastik WS 09/10 Bürker 27. 1. 11 8. Wahrscheinlichkeitsrechnung 8.1 Begriffe 8.1.1 Zufallsexperiment Was ist ein Zufallsexperiment? a) Mehrere Ergebnisse möglich b) Ergebnis

Mehr

Ziegenproblem (Monty Hall Problem)

Ziegenproblem (Monty Hall Problem) Ziegenproblem (Monty Hall Problem) Proseminar Schlüsselprobleme der Informatik Das Ziegenproblem (MontyHall Problem) Universität Potsdam Institut für Informatik 1 Schlüsselprobleme der Informatik Ziegenproblem

Mehr

Grundbegriffe der Wahrscheinlichkeitsrechnung

Grundbegriffe der Wahrscheinlichkeitsrechnung Algorithmen und Datenstrukturen 112 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.

Mehr

Datenanalyse. (PHY231) Herbstsemester Olaf Steinkamp

Datenanalyse. (PHY231) Herbstsemester Olaf Steinkamp Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und

Mehr

Boole sches Retrieval als frühes, aber immer noch verbreitetes IR-Modell mit zahlreichen Erweiterungen

Boole sches Retrieval als frühes, aber immer noch verbreitetes IR-Modell mit zahlreichen Erweiterungen Rückblick Boole sches Retrieval als frühes, aber immer noch verbreitetes IR-Modell mit zahlreichen Erweiterungen Vektorraummodell stellt Anfrage und Dokumente als Vektoren in gemeinsamen Vektorraum dar

Mehr

Übersicht. Künstliche Intelligenz: 13. Unsicherheiten Frank Puppe 1

Übersicht. Künstliche Intelligenz: 13. Unsicherheiten Frank Puppe 1 Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen 13. Unsicherheiten 14. Probabilistisches Schließen 15. Probabilistisches

Mehr

Statistik, Datenanalyse und Simulation

Statistik, Datenanalyse und Simulation Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 24. Oktober 2007 1. Statistik Wir denken an Experimente, bei deren Durchführung die Variable X, um die es dabei geht, verschiedene Werte annehmen

Mehr

Vorlesung - Medizinische Biometrie

Vorlesung - Medizinische Biometrie Vorlesung - Medizinische Biometrie Stefan Wagenpfeil Institut für Medizinische Biometrie, Epidemiologie und Medizinische Informatik Universität des Saarlandes, Homburg / Saar Vorlesung - Medizinische Biometrie

Mehr

3 Wahrscheinlichkeitstheorie

3 Wahrscheinlichkeitstheorie Einige mathematische Konzepte 3 Wahrscheinlichkeitstheorie 3.1 Wahrscheinlichkeit Die Wahrscheinlichkeitstheorie modelliert Situationen, in denen Unsicherheit über bestimmte Aspekte der Umwelt vorherrscht.

Mehr

Kuriositäten aus der Wahrscheinlichkeitsrechnung

Kuriositäten aus der Wahrscheinlichkeitsrechnung aus der Wahrscheinlichkeitsrechnung Franziska Flegel Girls Day am 28. April 2016 1 Simpson-Paradox: Leben Raucherinnen gesünder? gfghdfg 100 gfghdfg Raucher? Gestorben Überlebt Ges. ja 139 (23,9%) 443

Mehr

Musterlösungen zu den Aufgaben aus. Statistische Methoden in den Wirtschafts- und Sozialwissenschaften

Musterlösungen zu den Aufgaben aus. Statistische Methoden in den Wirtschafts- und Sozialwissenschaften Musterlösungen zu den Aufgaben aus Statistische Methoden in den Wirtschafts- und Sozialwissenschaften von Prof. Dr. Hans Peter Litz Oldenbourg-Verlag München,.Auflage 1998 Teil II. Wahrscheinlichkeitstheoretische

Mehr

Wissenschaftliche Nachrichten: https://www.bmbf.gv.at/schulen/sb/wina/wina.html Vol. 125/2004, 35-37

Wissenschaftliche Nachrichten: https://www.bmbf.gv.at/schulen/sb/wina/wina.html Vol. 125/2004, 35-37 Wissenschaftliche Nachrichten: https://www.bmbf.gv.at/schulen/sb/wina/wina.html Vol. 5/004, 5-7 Das Ziegenproblem in Excel NORBERT BRUNNER und MANFRED KÜHLEITNER Das folgende Problem stammt aus einer Fernsehshow:

Mehr

DWT 1 Grundlagen 17/476 c Ernst W. Mayr

DWT 1 Grundlagen 17/476 c Ernst W. Mayr Ē heißt komplementäres Ereignis zu E. Allgemein verwenden wir bei der Definition von Ereignissen alle bekannten Operatoren aus der Mengenlehre. Wenn also A und B Ereignisse sind, dann sind auch A B, A

Mehr

Wie liest man Konfidenzintervalle? Teil I. Premiu m

Wie liest man Konfidenzintervalle? Teil I. Premiu m Wie liest man Konfidenzintervalle? Teil I Premiu m Was sind Konfidenzintervalle? Ein Konfidenzintervall (KI) ist ein Maß für die Unsicherheit bezüglich einer Schätzung eines Effekts. Es ist ein Intervall

Mehr

Konzepte der AI. Unsicheres Schließen

Konzepte der AI. Unsicheres Schließen Konzepte der AI Unsicheres Schließen http://www.dbai.tuwien.ac.at/education/aikonzepte/ Wolfgang Slany Institut für Informationssysteme, Technische Universität Wien mailto: wsi@dbai.tuwien.ac.at, http://www.dbai.tuwien.ac.at/staff/slany/

Mehr

Wahrscheinlichkeitsrechnung und Statistik für Biologen 7. Konfidenzintervalle

Wahrscheinlichkeitsrechnung und Statistik für Biologen 7. Konfidenzintervalle Wahrscheinlichkeitsrechnung und Statistik für Biologen 7. Konfidenzintervalle Matthias Birkner & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html 9. Juni 2009 1 Wiederholung: Bedingte

Mehr

Didaktik der Stochastik Keven Lass Ü B U N G S B L A T T 2 A U F G A B E 2

Didaktik der Stochastik Keven Lass Ü B U N G S B L A T T 2 A U F G A B E 2 Didaktik der Stochastik Keven Lass Ü B U N G S B L A T T 2 A U F G A B E 2 Aufgabenstellung 1. Aufgabe a.) Definieren Sie den Begriff Wahrscheinlichkeit nach Laplace. b.) Geben Sie die zugehörige Formel

Mehr

Ziegenproblem, Monty-Hall-Problem, Wahrscheinlichkeitsrechnung. Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem

Ziegenproblem, Monty-Hall-Problem, Wahrscheinlichkeitsrechnung. Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Wahrscheinlichkeitsrechnung Theorie Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Ziegenproblem,

Mehr

Pr[A] = Pr[C (A B)] = Pr[C] + Pr[A B]. Wegen A B = C B folgt daraus. Pr[A B] = Pr[C B] = Pr[C] + Pr[B] = Pr[A] Pr[A B] + Pr[B]

Pr[A] = Pr[C (A B)] = Pr[C] + Pr[A B]. Wegen A B = C B folgt daraus. Pr[A B] = Pr[C B] = Pr[C] + Pr[B] = Pr[A] Pr[A B] + Pr[B] Beweis: Wir betrachten zunächst den Fall n = 2. Dazu setzen wir C := A \ B = A \ (A B). Gemäß dieser Definition gilt, dass C und A B sowie C und B disjunkt sind. Deshalb können wir Eigenschaft 5 von Lemma

Mehr

Elementare Begriffe der Wahrscheinlichkeitstheorie für die Sprachverarbeitung

Elementare Begriffe der Wahrscheinlichkeitstheorie für die Sprachverarbeitung Elementare Begriffe der Wahrscheinlichkeitstheorie für die Sprachverarbeitung Kursfolien Karin Haenelt 1 Übersicht Wahrscheinlichkeitsfunktion P Wahrscheinlichkeit und bedingte Wahrscheinlichkeit Bayes-Formeln

Mehr

Mathematische Grundlagen der Computerlinguistik Wahrscheinlichkeit

Mathematische Grundlagen der Computerlinguistik Wahrscheinlichkeit Mathematische Grundlagen der Computerlinguistik Wahrscheinlichkeit Dozentin: Wiebke Petersen 8. Foliensatz Wiebke Petersen math. Grundlagen 1 Motivation Bsp.: In vielen Bereichen der CL kommt Wahrscheinlichkeitstheorie

Mehr

Prüfung aus Statistik 1 für SoziologInnen- Gruppe A

Prüfung aus Statistik 1 für SoziologInnen- Gruppe A Prüfung aus Statistik 1 für SoziologInnen- Gruppe A 26. Juni 2012 Gesamtpunktezahl =80 Prüfungsdauer: 2 Stunden 1) Wissenstest (maximal 20 Punkte) Lösungen Kreuzen ( ) Sie die jeweils richtige Antwort

Mehr

Stochastische Paradoxa

Stochastische Paradoxa Schülerzirkel Mathematik Fakultät für Mathematik. Universität Regensburg Lösungen zum Thema Stochastische Paradoxa Lösung zu Aufgabe 1. a) Nachfolgende Abbildung verdeutlicht die Analogie zum Ziegenproblem.

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine Universität Düsseldorf 29. Oktober 2009 Mengensprechweise Die Menge aller Elementarereignisse ist der Ereignisraum. Seine Teilmengen heißen

Mehr

Ziegenproblem. Inhaltsverzeichnis. aus Wikipedia, der freien Enzyklopädie

Ziegenproblem. Inhaltsverzeichnis. aus Wikipedia, der freien Enzyklopädie 1 von 11 11.06.2012 15:45 Ziegenproblem aus Wikipedia, der freien Enzyklopädie Das Ziegenproblem, Drei-Türen-Problem, Monty-Hall-Problem oder Monty-Hall-Dilemma (nach Monty Hall, dem Moderator der US-amerikanischen

Mehr

2. Rechnen mit Wahrscheinlichkeiten

2. Rechnen mit Wahrscheinlichkeiten 2. Rechnen mit Wahrscheinlichkeiten 2.1 Axiome der Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung ist ein Teilgebiet der Mathematik. Es ist üblich, an den Anfang einer mathematischen Theorie

Mehr

Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff?

Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff? 2. Übung: Wahrscheinlichkeitsrechnung Aufgabe 1 Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff? a) P ist nichtnegativ. b) P ist additiv. c) P ist multiplikativ.

Mehr

2) Welche Wahrscheinlichkeitsbegriffe kennen Sie? Charakterisieren Sie die unterschiedlichen Konzepte zur Herleitung von

2) Welche Wahrscheinlichkeitsbegriffe kennen Sie? Charakterisieren Sie die unterschiedlichen Konzepte zur Herleitung von 2) Welche Wahrscheinlichkeitsbegriffe kennen Sie? Charakterisieren Sie die unterschiedlichen Konzepte zur Herleitung von Wahrscheinlichkeiten. (5 Punkte) Antwort: Unabhängig von der quantitativen Herleitung

Mehr

2.2 Ereignisse und deren Wahrscheinlichkeit

2.2 Ereignisse und deren Wahrscheinlichkeit 2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation

Mehr

108 IV Abhängige Zufallsvariable und bedingte Verteilungen

108 IV Abhängige Zufallsvariable und bedingte Verteilungen 108 IV Abhängige Zufallsvariable und bedingte Verteilungen Zufällige Permutationen Sei Y die Anzahl der Zyklen in einer rein zufälligen Permutation der Zahlen 1,2,,n Um ihren Erwartungswert e n zu berechnen,

Mehr

1 Axiomatische Definition von Wahrscheinlichkeit

1 Axiomatische Definition von Wahrscheinlichkeit Schülerbuchseite 174 176 Lösungen vorläufig und Unabhängigkeit 1 Axiomatische Definition von Wahrscheinlichkeit S. 174 1 Ein Schätzwert für die Wahrscheinlichkeit von Sau kann nur mithilfe der relativen

Mehr

Vorlesung: Statistik II für Wirtschaftswissenschaft

Vorlesung: Statistik II für Wirtschaftswissenschaft Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation

Mehr

Wiederholung. Einführung in die Wahrscheinlichkeitstheorie Wahrscheinlichkeitsraum Ergebnismenge Ω = {ω 1, ω 2, } mit ω Ω Pr[ω]=1.

Wiederholung. Einführung in die Wahrscheinlichkeitstheorie Wahrscheinlichkeitsraum Ergebnismenge Ω = {ω 1, ω 2, } mit ω Ω Pr[ω]=1. Wiederholung Einführung in die Wahrscheinlichkeitstheorie Wahrscheinlichkeitsraum Ergebnismenge Ω = {ω 1, ω, } mit ω Ω Pr[ω]=1. Berechnung von Pr[ n i=1 A i ]: A i disjunkt: Additionssatz n i=1 Pr[A i

Mehr

Elektrotechnik und Informationstechnik

Elektrotechnik und Informationstechnik Elektrotechnik und Informationstechnik Institut für Automatisierungstechnik, Professur Prozessleittechnik Bayes'sche Netze VL PLT2 Professur für Prozessleittechnik Prof. Leon Urbas, Dipl. Ing. Johannes

Mehr

Kapitel 5 Stochastische Unabhängigkeit

Kapitel 5 Stochastische Unabhängigkeit Kapitel 5 Stochastische Unabhängigkeit Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 5.1 Das Konzept der stochastischen Unabhängigkeit. 1 Herleitung anhand

Mehr

Das Zweikinderproblem

Das Zweikinderproblem Das Zweikinderproblem Definition Zweikinderproblem Eine Familie besitzt zwei Kinder. Wie groß ist die Wahrscheinlichkeit Pr[ Beide Kinder sind Mädchen. Eines der Kinder ist ein Mädchen ]? Lösung: Sei A

Mehr

Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff?

Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff? 2. Übung: Wahrscheinlichkeitsrechnung Aufgabe 1 Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff? a) P ist nichtnegativ. b) P ist additiv. c) P ist multiplikativ.

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 10. November 2010 1 Bedingte Wahrscheinlichkeit Satz von der totalen Wahrscheinlichkeit Bayessche Formel 2 Grundprinzipien

Mehr

Teil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation

Teil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit

Mehr

Mathematik LK 12 M1, 4. Kursarbeit Matrizen und Stochastik Lösung )

Mathematik LK 12 M1, 4. Kursarbeit Matrizen und Stochastik Lösung ) Aufgabe 1: Berechne die Determinante und die Transponierte der folgenden Matrizen: 0 1 1.1 M =( 0 4 1 4 det M =0 4 1 4= 4 M T =( 5 3 3 1.2 1 1 3 A=( =( A T 3 0 1 5 1 3 3 1 0 3 3 1 4 4 det M = 5 1 1+3 3

Mehr

AUTOMATISIERTE HANDELSSYSTEME

AUTOMATISIERTE HANDELSSYSTEME UweGresser Stefan Listing AUTOMATISIERTE HANDELSSYSTEME Erfolgreich investieren mit Gresser K9 FinanzBuch Verlag 1 Einsatz des automatisierten Handelssystems Gresser K9 im Portfoliomanagement Portfoliotheorie

Mehr

Simulation des Ziegenproblems

Simulation des Ziegenproblems Simulation des Ziegenproblems Jürgen Appel Kurzfassung des Inhalts: Es wird beschrieben, wie man mit dem Ziegenproblem in das Thema Wahrscheinlichkeit einsteigen kann. Dabei wird das Ziegenproblem zunächst

Mehr

S. GOLDBERG. D ie Wahrscheinlichkeit

S. GOLDBERG. D ie Wahrscheinlichkeit S. GOLDBERG D ie Wahrscheinlichkeit S. GOLDBERG Die Wahrscheinlichkeit Eine Einführung in Wahrscheinlichkeitsrechnung und Statistik Mit 30 Bildern und 44 Tabellen FRIEDR. VIEWEG & SOHN BRAUNSCHWEIG 1964

Mehr

Statistikprüfung 1B. vom 21. April Name:

Statistikprüfung 1B. vom 21. April Name: Statistikprüfung 1B vom 21. April 2017 Name: Als richtig wird der Lösungsweg und das Resultat betrachtet. Es wird mehr WertaufdenLösungswegalsaufdasResultatgelegt.DieAnzahlderPunktepro Aufgabe ist bei

Mehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Niels Landwehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Niels Landwehr Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Niels Landwehr Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer Ansatz:

Mehr

Zusammenhang zwischen Ölpreis und Inflation wird überschätzt

Zusammenhang zwischen Ölpreis und Inflation wird überschätzt Hüfners Wochenkommentar Zusammenhang zwischen Ölpreis und Inflation wird überschätzt Der Anstieg der Ölpreise in diesem Jahr hat sich kaum in der Inflation niedergeschlagen, beobachtet Assenagon-Chefvolkswirt

Mehr

Bayes sche und probabilistische Netze

Bayes sche und probabilistische Netze Bayes sche und probabilistische Netze Gliederung Wahrscheinlichkeiten Bedingte Unabhängigkeit, Deduktion und Induktion Satz von Bayes Bayes sche Netze D-Separierung Probabilistische Inferenz Beispielanwendung

Mehr

Mathematische und statistische Methoden II

Mathematische und statistische Methoden II Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206 Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike

Mehr

Wahrscheinlichkeitsrechnung

Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 8.04.009 1 Inhalt der heutigen Vorlesung Zusammenfassung der letzten Vorlesung Übersicht über Schätzung und Modellbildung Modellevaluation

Mehr

Aufgaben - Programmierung

Aufgaben - Programmierung Aufgaben - Programmierung Aufgaben Algorithmen Struktogramme Prof. Dr. M. Bongards Informatik II 1 Sortieren Sortieren Sie ein Feld mit n Zahlen der Größe nach, so dass nach dem Sortieren die größte Zahl

Mehr

Dr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer Musterlösung

Dr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer Musterlösung Dr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer 014 Musterlösung 1. 8 Punkte) a) 1 Pt)Für das Komplement gilt PR A) = 1 PR c A) = 0.968. b) 1 Pt)Nach Definition der bedingten Wahrscheinlichkeit

Mehr

Stochastik Musterlösung 2

Stochastik Musterlösung 2 ETH Zürich HS 2018 RW, D-MATL, D-MAVT Prof. Marloes H. Maathuis Koordinator Dr. Marvin S. Müller Stochastik Musterlösung 2 1. Wir betrachten folgende vier Wettersituationen. Es regnet nur am Morgen; Es

Mehr

Zwei Ziegen und ein Auto

Zwei Ziegen und ein Auto Prof. Dr. Ludwig Paditz 29.10.2002 Zwei Ziegen und ein Auto In der amerikanischen Spielshow "Let`s make a deal" ist als Hauptpreis ein Auto ausgesetzt. Hierzu sind auf der Bühne drei verschlossene Türen

Mehr

1 Übungen zu Wahrscheinlichkeitsrechnung und Zufallsvariablen

1 Übungen zu Wahrscheinlichkeitsrechnung und Zufallsvariablen 1 Übungen zu Wahrscheinlichkeitsrechnung und Zufallsvariablen Zoltán Zomotor Versionsstand: 16. März 2016, 11:21 This work is licensed under the Creative Commons Attribution-NonCommercial-ShareAlike 3.0

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und

Mehr

Bayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg

Bayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg Bayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl KI) Bayes-Netze (1) 1 / 22 Gliederung 1 Unsicheres Wissen 2 Schließen

Mehr

Unterhaltungsmathematik

Unterhaltungsmathematik Unterhaltungsmathematik Auf den Spuren von Erdős, Gardner & Co. Dr. Andreas Steiger 2. März 2016 Explizite und implizite Explizite und implizite Ausnutzen von Wissen Explizite und implizite Ausnutzen von

Mehr

So lügt man mit Statistik

So lügt man mit Statistik So lügt man mit Statistik Anita Maas 06. August 2004 Was ist Statistik? Statistik ist die Gesamtheit aller Methoden, die für die Untersuchung einer Vielzahl von Einzeltatsachen verwendet werden. Sie ist

Mehr

Bestandsbewertung: Stürzen die Kaufpreise für Maklerunternehmen ab?

Bestandsbewertung: Stürzen die Kaufpreise für Maklerunternehmen ab? Bestandsbewertung: Stürzen die Kaufpreise für Maklerunternehmen ab? Nachfolgemanagement liegt im Trend. Immer mehr Beratungsfirmen bieten ihre Dienste für Bestandsbewertung und -veräußerung an. Doch der

Mehr

Social Digital Signage - FAQ

Social Digital Signage - FAQ Social Digital Signage - FAQ Inhaltsverzeichnis main... 2 Was ist das, FAQ?... 3 Was ist das, FAQ?... 4 Seite 1 / 4 Seite 2 / 4 Was ist das, FAQ? ganz einfach: fragen und antworten Letzte Änderung: 2016-07-03

Mehr

Kapitel ML:IV. IV. Statistische Lernverfahren. Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen

Kapitel ML:IV. IV. Statistische Lernverfahren. Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen Kapitel ML:IV IV. Statistische Lernverfahren Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen ML:IV-1 Statistical Learning c STEIN 2005-2011 Definition 1 (Zufallsexperiment,

Mehr

Clusteranalyse: Gauß sche Mischmodelle

Clusteranalyse: Gauß sche Mischmodelle Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse: Gauß sche Mischmodelle iels Landwehr Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer

Mehr

Klassifikationsverfahren haben viele Anwendungen. Binäres Klassifikationsverfahren auch zur Klassifikation in mehr als zwei Klassen verwendbar

Klassifikationsverfahren haben viele Anwendungen. Binäres Klassifikationsverfahren auch zur Klassifikation in mehr als zwei Klassen verwendbar Rückblick Klassifikationsverfahren haben viele Anwendungen Binäres Klassifikationsverfahren auch zur Klassifikation in mehr als zwei Klassen verwendbar Konfusionsmatrix stellt Vorhersagen und Daten gegenüber

Mehr

Inhalt. 6.1 Motivation. 6.2 Klassifikation. 6.3 Clusteranalyse. 6.4 Asszoziationsanalyse. Datenbanken & Informationssysteme / Kapitel 6: Data Mining

Inhalt. 6.1 Motivation. 6.2 Klassifikation. 6.3 Clusteranalyse. 6.4 Asszoziationsanalyse. Datenbanken & Informationssysteme / Kapitel 6: Data Mining 6. Data Mining Inhalt 6.1 Motivation 6.2 Klassifikation 6.3 Clusteranalyse 6.4 Asszoziationsanalyse 2 6.1 Motivation Data Mining and Knowledge Discovery zielt darauf ab, verwertbare Erkenntnisse (actionable

Mehr

Einführung in die Stochastik

Einführung in die Stochastik R. Viertl Einführung in die Stochastik mit Elementen der Bayes-Statistik und Ansätzen für die Analyse unscharfer Daten Springer-Verlag Wien New York Inhalt / Einleitung 1 Kapitel I. Elementare Wahrscheinlichkeitsrechnung

Mehr

Individuelle Vermögensbildung und Altersvorsorge

Individuelle Vermögensbildung und Altersvorsorge Individuelle Vermögensbildung und Altersvorsorge Mehr Sicherheit für Ihr Vermögen: Die Rolle geschlossener Fonds im Portfolio von Kapitalgesellschaften Aktuelle Gestaltungsmöglichkeiten für Gesellschafter-Geschäftsführer

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Dezember 2012 1 Kombinatorik Fakultät Binomialkoeffizienten Urnenmodelle 2 Definition Fakultät Die Zahl n! =

Mehr

Bayessche Netze. Kevin Klamt und Rona Erdem Künstliche Intelligenz II SoSe 2012 Dozent: Claes Neuefeind

Bayessche Netze. Kevin Klamt und Rona Erdem Künstliche Intelligenz II SoSe 2012 Dozent: Claes Neuefeind Bayessche Netze Kevin Klamt und Rona Erdem Künstliche Intelligenz II SoSe 2012 Dozent: Claes Neuefeind Einleitung Sicheres vs. Unsicheres Wissen Kausale Netzwerke Abhängigkeit Verbindungsarten Exkurs:

Mehr

ARBEITEN MIT LITERATUR. Warum Literaturarbeit?

ARBEITEN MIT LITERATUR. Warum Literaturarbeit? ARBEITEN MIT LITERATUR Warum Literaturarbeit? Wozu arbeiten wir mir Literatur? Die Literaturarbeit ist eine wichtige Komponente im Prozess Ihres wissenschaftlichen Arbeitens und hilft Ihnen von Anfang

Mehr

Dr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp

Dr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:

Mehr

Prüfung aus Statistik 1 für SoziologInnen

Prüfung aus Statistik 1 für SoziologInnen Prüfung aus Statistik 1 für SoziologInnen Gesamtpunktezahl =80 Prüfungsdauer: 2 Stunden Name in Blockbuchstaben: Matrikelnummer: 1) Wissenstest (maximal 20 Punkte) Kreuzen ( ) Sie die jeweils richtige

Mehr

Station Ziegenproblem. Aufgabenheft

Station Ziegenproblem. Aufgabenheft Station Ziegenproblem Aufgabenheft Mathematik-Labor Station Ziegenproblem 1 Mathematik-Labor Station Ziegenproblem Liebe Schülerinnen und Schüler! Erfolgreiche Quizshows wie Let s Make A Deal aus Amerika

Mehr

Susan Forward Vergiftete Kindheit Pdf Download ->>> DOWNLOAD

Susan Forward Vergiftete Kindheit Pdf Download ->>> DOWNLOAD Susan Forward Vergiftete Kindheit Pdf Download ->>> DOWNLOAD 1 / 5 2 / 5 Download..mystic..city..de..epub..PDF/ePub..eBooks..with..no..limit..and..without..survey...Susan.. Forward..language..:..de...Frauen..befreien..sich..von..den..Fesseln..der..Kindheit.Im...Erwachsenena

Mehr

Zusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen

Zusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind

Mehr